本程序涉及以下方面知识：
1.python链接mysql数据库：http://www.cnblogs.com/miranda-tang/p/5523431.html
2.爬取中文网站以及各种乱码处理:http://www.cnblogs.com/miranda-tang/p/5566358.html
3.BeautifulSoup使用
4.原网页数据信息不全用字典的方式，把不存在的字段设置为空
详细代码：
#!/usr/bin/python
# -*- encoding:utf-8 -*-
‘‘‘
思路：
1.从易迅网爬取冰箱的数据，包括品牌，型号，价格，容积，能效等级，制冷方式，门款式，显示方式，定频/变频，除霜模式，操作方式
2.存入MYSQL数据库
本次限定为：300L以上
‘‘‘
from bs4 import BeautifulSoup
import requests
import MySQLdb
import datetime
#编码
import sys
reload(sys)
sys.setdefaultencoding(‘utf-8‘)
#连接数据库，并插入爬到的数据
def insert_db(page_list):
try:
#注意链接时加上charset=‘utf8‘解决编码问题
conn = MySQLdb.connect(user=‘root‘, passwd=‘112233aa‘,host=‘192.168.1.14‘,db=‘miranda.tang‘,charset=‘utf8‘)
cursor = conn.cursor()
#删除当日已插入数据，避免重复插入
cursor.execute(‘DELETE FROM yixun_price_refrigerator
WHERE update_day=CURRENT_DATE()‘)
conn.commit() #提交
#用executemany一次性提交爬取数据，比直接用execute快
sql=‘INSERT INTO yixun_price_refrigerator
values(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)‘
cursor.executemany(sql,
page_list)
conn.commit() #提交
cursor.close() #关闭cursor
conn.close() #关闭连接
except Exception as e:
print e
conn.rollback()
#得到soup
def urlBS(url):
response=requests.get(url)
soup = BeautifulSoup(response.text,"lxml")
return soup
#得到一共有多少页
def get_pagenumber(url):
soup=urlBS(url)
page=soup.select(‘.sort_page_num span‘)[0]
page_contents=page.contents[1]
pagenumber=int(page_contents.replace(‘/‘,‘‘))
return pagenumber
#得到页面信息
def get_info(product_url):
soup=urlBS(product_url)
# print soup
#get title
title = unicode(soup.title.text.strip().strip(u‘【价格_报价_图片_行情】-易迅网‘).replace(u‘】‘,‘‘))\
.encode(‘utf-8‘).decode(‘utf-8‘)
#print title
#get_原价
try:
soup_origin = soup.find("dl", { "class" : "xbase_item xprice xprice_origin" })
price_origin = soup_origin.find("span", { "class" : "mod_price xprice_val" }).\
contents[1].text.encode(‘utf-8‘).decode(‘utf-8‘)
# print u‘原价：‘ + price_origin
except:
price_origin=0
#pass
#get 现价
try:
soup_sale= soup.find(‘dl‘,{‘class‘:‘xbase_item xprice‘})
price_sale = soup_sale.find("span", { "class" : "mod_price xprice_val" }).contents[1].encode(‘utf-8‘).decode(‘latin1‘)
#print u‘现价：‘+ price_sale
except:
price_sale=0
#pass
#得到列名名称
oup_info_name=soup.find_all(‘td‘,{‘class‘:‘name‘})
# for each in
oup_info_name:
#
print each.contents[0].encode(‘utf-8‘).decode(‘utf-8‘)
name_list=[each.contents[0].encode(‘utf-8‘).decode(‘utf-8‘) for each in oup_info_name]
#得到内容
soup_info_desc=soup.find_all(‘td‘,{‘class‘:‘desc‘})
# for each in
soup_info_desc:
#prod_list=[soup_info_desc[0].contents[0].encode(‘utf-8‘).decode(‘latin1‘)]
prod_list=[each.contents[0].encode("utf-8").decode("utf-8") for each in soup_info_desc] #用列表生成式将原表格中的数据放入列表中
pro_dic={}
pro_list=[today,product_url,title,price_origin,price_sale]
#因为列名爬取数据中不分数据是没有的，通过字典的方式，把没有的数据记录为空
for i in range(len(name_list)):
pro_dic[name_list[i]]=prod_list[i]
name=[‘品牌‘,‘型号‘,‘颜色‘,‘能效等级‘,‘冰箱容积‘,‘制冷方式‘,‘门款式‘,‘重量‘,‘尺寸‘,‘制冷类型‘,
‘显示方式‘,‘定频/变频‘,‘除霜模式‘, ‘冷冻室温度区间‘,‘冷藏室温度区间‘,‘冰箱冷柜机型‘,‘操作方式‘]
for each in name:
try:
each=each.encode("utf-8").decode("utf-8")
pro_list.append(pro_dic[each])
# print
pro_dic[each]
except:
pro_list.append(‘‘)
# print ‘null‘
# print pro_list
# print len(pro_list)
page_list.append(pro_list)
#得到商品页链接
def get_product_href(url):
soup=urlBS(url)
product_list=soup.select(‘#itemList .mod_goods_img a‘)
# print
product_list
for i in range(len(product_list)):
pro=product_list[i]
pro_href=pro[‘href‘]
# return pro_href
#print pro_href
get_info(pro_href)
if __name__==‘__main__‘:
beseurl=‘http://searchex.yixun.com/html?path=705882t705892&attr=42515e1o2o3o4o5o6o7‘
max_number=get_pagenumber(beseurl)
page_list=[]
today=datetime.date.today() #得到当前日期，插入更新日期
for i in range(1,max_number+1):
# for i in
range(1,2):
newurl=beseurl+‘&page=‘+str(i)
#print newurl
get_product_href(newurl)
insert_db(page_list)
print("It‘s all done")
#建表
# drop table yixun_price_refrigerator;
# CREATE TABLE yixun_price_refrigerator(
# update_day date -- 更新日期
# ,product_url VARCHAR(300) -- 商品链接
# ,title VARCHAR(300) -- 名称
# ,price_origin VARCHAR(100) -- 原价
# ,price_sale VARCHAR(100) -- 现价
# ,Brands VARCHAR(100) -- 品牌
# ,Goods_sn VARCHAR(100) -- 型号
# ,Colour VARCHAR(100) -- 颜色
# ,Energy_efficiency_rating VARCHAR(100)
-- 能效等级
# ,Refrigerator_volume VARCHAR(100)
-- 冰箱容积
# ,Refrigeration VARCHAR(100) -- 制冷方式
# ,Door_style VARCHAR(100) -- 门款式
# ,weight VARCHAR(100) -- 重量
# ,size VARCHAR(100) -- 尺寸
# ,Cooling_type VARCHAR(100) -- 制冷类型
# ,Display_method VARCHAR(100) -- 显示方式
# ,frequency VARCHAR(100) -- 定频/变频
# ,Defrost_mode VARCHAR(100) -- 除霜模式
# ,Freezer_temperature_range VARCHAR(100)
-- 冷冻室温度区间
# ,Save_temperature_range VARCHAR(100)
-- 冷藏室温度区间
# ,Fridge_freezer_models VARCHAR(100)
-- 冰箱冷柜机型
# ,Operation_method VARCHAR(100)
-- 操作方式
# );
结果：